https://libra.netcommerce.co.jp/

1. ビジネス・プロフェッショナルのための
最新ITトレンド
2020年12月
未来を創るために知っておきたいITの常識
2/2

2. 新たなビジネス基盤となるIoT
モノのインターネット／Internet of Things

3. IoTとは何か

4. IoTの定義とビジネス
アナログな現実世界のものごとやできごとを
デジタル・データで捉えデジタル・ツインを作る
デジタルとフィジカルが一体となって
高速に改善活動を繰り返す状態を実現
最適解の導出
機械学習・シミュレーション
アプリケーション
データ収集 機器制御・指示命令・情報提供
など
サービス利用
現実世界
デジタル・ツイン
狭義のIoT
広義のIoT
システム構築ビジネス サービス提供ビジネス

5. IoTの未来
現実世界／Physical World
Cyber Physical System／現実世界とサイバー世界が緊密に結合されたシステム
サイバー世界／Cyber World
センサー AIチップ
現場の
見える化
自律制御
デジタル
ツイン
制御情報
地図情報
環境情報
など
予測・分類・識別
サービス
アプリケーション
AI／機械学習 クラウド
モノ／IoTデバイス
5G
第５世代通信システム

6. 社会基盤のシフト 「モノ」の価値のシフト
IoTがもたらす２つのパラダイムシフト
1. 現実世界のデジタル・データ化
2. ビッグデータを使ったシミュレーション
3. 現実世界へのフィードバック
1. 「ハード＋ソフト」がネットワーク接続
2. モノとクラウド・サービスが一体化
3. システム全体で価値を生成
ハードウェア
ソフトウェア
ハードウェア
モノの価値は、
ハードウェアからソフトウェアへ
そしてサービスへとシフト
アナリティクス
人工知能＋シミュレーション
アプリケーション
クラウド・サービス
ビッグデータ
現実世界のデジタルコピー
現実世界のデジタルデータ化
IoT
デジタル・ツインの実現 「モノ」のサービス化
インターネット
クラウド・サービス
CPS：Cyber-Physical System

7. 電脳世界
（Cyber World）
現実世界
（Physical World）
デジタルツイン
ビッグデータ
センサ
データ
最適解
制御
Cyber-Physical System
圧 力
ひずみ
振 動
重 量
電 流
・・・
シミュレーション
現実世界をデジタルで再現し
条件を変えて実験を繰り返し
最適解を見つけ出す
変更や変化に即応して
最適状態・動きを実現
データ解析

8. 「モノ」のサービス化
モノの価値は、
ハードウェアからソフトウェアへ、
そしてサービスへとシフト
ハードウェア
ソフトウェア
サービス
機能・性能を随時更新可能
機能・性能の固定化
機能・性能を継続的更新可能
モノの価値を評価する基準がシフト

9. ソフトウェア化するモノ
9
物理的・物質的なモノでしか実現できない部分
プログラムで制御または実現できる機能・性能
 レンズ
 シャッター
 ボディなど
 タイヤ
 エンジン
 車体など
 機体・翼
 ジェット・エンジン
 燃料タンクなど
 シャッタースピード
 発色・感度
 フォーカスなど
 ブレーキ・タイミング
 エンジン制御
 機器のオンオフなど
 姿勢や方向の制御
 エンジンの制御
 機内環境の制御など
ソ
フ
ト
ウ
ェ
ア
ハ
ー
ド
ウ
ェ
ア
 製造コストの低減
 故障要因の低減
 保守容易性の実現
できるだけ
シンプルに
 開発コストの低減
 高機能化のしやすさ
 保守容易性の実現
できるだけ
多機能に
IoT化
通信機能を組み込み
インターネットにつ
なげることでモノを
サービス化する
モジュラー化
機能を標準化・部品
化することで、生産
コストの低減と保守
性を向上させる

10. 「モノ」のサービス化
10
ダグラスDC7（1953） ボーイング787（2011）
（グラス・コックピット）
ハードウェア ソフトウェアハードウェア
遠隔からの保守点検、修理、自律化機能による自己点検や修復
ソフトウェア更新による機能・性能・操作性の改善が可能。
監視・分析・最適化監視・分析・最適化
全ての作業や操作は人間を介在し、機械の交換や修理などの、
物理的作業を必要とする。

11. 「モノ」のサービス化
自動車メーカー 航空機メーカー 工作機械メーカー
アナリティクス
ソフトウェア改修
データ
収集
ソフトウェア
配信
新
規
開
発
制御ソフトウェア
アナリティクス
ソフトウェア改修
データ
収集
ソフトウェア
配信
新
規
開
発
制御ソフトウェア
アナリティクス
ソフトウェア改修
データ
収集
ソフトウェア
配信
新
規
開
発
制御ソフトウェア
運行データ走行データ 作業データ
制御 制御 制御
遠隔からの保守点検・修理、自律化機能による自己点検や修復、ソフトウェア更新による機能・性能・操作性の改善
インターネット

12. 使 用
の現場 センサー コンピュータ ソフトウエア
モノ・製品
モノのサービス化の本質
ものづくり
の現場
開 発
製 造
保守
サポート
ソフトウェア
改修・更新
インターネット
直
結
・
連
係

13. サプライ・チェーンとデマンド・チェーン
生産
物流
販売
部品・材料サプライヤー／下請け会社
消費者／購入企業
製造業
卸売業
小売業
情
報
の
流
れ
モ
ノ
の
流
れ
正確な需要予測
消費に見合った
円滑な商品の流れ
を実現する
消費現場の
正確でタイムリー
なデータ
消費現場の
データに基づく
最適な商品の流れ
を実現する
POSや販売データだけでは
なく、主義主張、趣味嗜好、
人生観や悩み、ライフログ、
生活圏などを含めて消費者
を深く知るためのデータ
サプライ・チェーン
Supply Chain
デマンド・チェーン
Demand Chain

14. サプライ・チェーンとデマンド・チェーン
正確な需要予測
消費に見合った
円滑な商品の流れ
を実現する
消費現場の
正確でタイムリー
なデータ
消費現場の
データに基づく
最適な商品の流れ
を実現する
POSや販売データだけでは
なく、主義主張、趣味嗜好、
人生観や悩み、ライフログ、
生活圏などを含めて消費者
を深く知るためのデータ
サプライ・チェーン
Supply Chain
デマンド・チェーン
Demand Chain
日本メーカは、製造現場の改善活動やTQC（Total
Quality Control）活動を中心に、SCM（サプライチェー
ン・マネジメント）に力を入れ、ムダのない効
率的なものづくりで競争優位を確保してきた。
しかし、グローバル競争に突入したいま、日本
メーカのこれまでの競争戦略が通用しなくなっ
ている。とくに価格競争で強みを発揮する中国
やインドがグローバル市場へ進出したことで、
日本メーカの競争力はますます低下している。
ものづくりの付加価値の源泉は、「いかに作る
か」という製造生産プロセス（SCM）から、「何
を作るか」という企画開発プロセス（DCM）へと
大きくシフトしている。日本メーカはこれまで
「下り車線」のSCMには強かったが、「上り車
線」のDCMに弱かった。日本メーカの営業利益率
が低いのはそのためである。デジタル時代のも
のづくりでは、利益率の低いサプライチェーン
よりも利益率の高いディマンドチェーンに強い
企業が生き残るといわれる。
デジタル時代のものづくりでは、利
益率の低いサプライチェーンよりも
利益率の高いディマンドチェーンに
強い企業が生き残る可能性が高い。

15. ビジネス価値の進化
コア・ビジネス
 既存ビジネス
 蓄積されたノウハウ
 確実な顧客ベース
付加価値ビジネス
 収益構造の多様化
 既存ノウハウの活用
 顧客ベースの囲い込み
新規ビジネス
 顧客価値の拡大
 ノウハウの創出
 顧客ベースの拡大
製造・販売製造・販売 製造・販売
走行距離に応じた
従量課金サービス
Pay by Mile
出力×時間に応じた
従量課金サービス
Pay by Power
工事施工
自動化サービス
Smart Constriction
建設機械
遠隔確認サービス
KOMTRAX
安全・省エネ運転
コンサルティング
予防保守・交換
燃料費節約
コンサルティング
予防保守・交換

16. モノのサービス化
16
TOYOTA MaaS / e-Palette Concept KOMATSU SMART construction
土木工事における作業の自動化と高度化を実現す
ることに加え、前後工程も効率化して、工期の短
縮に貢献できるパッケージ化したサービス
移動、物流、物販など多目的に活用できるモビリ
ティサービス（MaaS）と、これを実現する専用
次世代電気自動車（EV）
モノを売り収益を得るビジネス。サービスはモノ売りビジネスを支援する手段
サービスを提供し収益を得るビジネス。モノはサービスを実現なする手段

17. MaaS（Mobility as a Service）
17
電車 タクシー バス
レンタカー自家用車
配車サービス カーシェア 自転車シェア
電車 タクシー バス
レンタカー自家用車
配車サービス カーシェア 自転車シェア
MaaS
経路検索
支払
予約
配車手配
現 在 MaaS
あなたのポケットに全ての交通を個人で所有・個別に手配
手段の提供：マイカーの所有や個別の手配･予約ではできない最適化された「移動体験」提供
価値の実現：マイカー利用を減らし環境負荷の低減や移動の利便性・効率化を実現

18. MaaS（Mobility as a Service）
18
電車 タクシー バス
レンタカー自家用車
配車サービス カーシェア 自転車シェア
MaaS
経路検索
支払
予約
配車手配
MaaS交通についての悪しき悪循環
 地方へ行くほどマイカーへの依存度が高くなる。
 自動車は移動手段としては便利だが、保有コストが高いわ
りには、稼働率は低い。
 大気汚染や渋滞による社会的ロス、交通事故の死亡者数は
世界全体では年間100万人を超えている。
 公共の交通機関の運営が、マイカー保有により危機に瀕し
ている。乗り合いバスの利用者は近年大きく減少しており、
赤字で路線廃止に陥るケースが続いている。
 公共交通路線の廃止により、移動手段がますますマイカー
に偏り、公共交通機関の運営をさらに苦しめている。
MaaSによって悪循環を解消
 公共交通が整備されると人々の流れが変わり、ガソリンや駐
車場代に向けられていた支出が、公共交通に回るようになる。
それによって地域全体が活性化する。
 渋滞や交通事故の発生が減少すれば、社会全体のロスも低下、
行動履歴をビッグデータとして把握できれば、道路や都市計
画に活用できる。
 高齢者や障害者などのハンディキャップを抱えた方々の移動
が容易になる。
 運転ができるかできないかで住む場所が限定されるという不
自由さがなくなる。
 マイカーに偏る今の社会が解消され、個人の暮らしは改善し、
街の中心部も活性化して地域が抱える問題の多くが緩和する。
公共交通も含めた交通手段の多様化により、
様々な社会的課題を解決できる可能性がある。

19. MaaSのレベル定義
19
スウェーデン・チャルマース大学の定義
社会全体目標の統合
Integration of social social
スマートシティーのような上位の政策目標に統合された移動
手段を実現するサービスを提供
提供するサービスの統合
Integration of the service offer
予約や決済に加えて、サービス独自の料金体系を持ち、異な
る移動手段をシームレスにつなぐサービスを提供
予約と支払いの統合
Integration of booking and payment
異なる移動手段をまとめて検索でき、予約や手配も行うこと
ができる統合サービスを提供
情報の統合
Integration of information
異なる交通手段の情報を統合して提供
統合ない
No integration
事業者個別に移動手段や附帯するサービスを提供
レベル
4
レベル
3
レベル
2
レベル
1
レベル
0
個別の交通事業者が提供する移動手段やカー
シェア、自転車シェアなどのサービス
Google Map、NAVI TIME、乗り換え案内
Citymapper、シアトルのTripGo、などによ
るルートや所要時間、料金の検索など
ダイムラーのMoovel、ロサンジェルスのGo
LAなど
フィンランドのWhim、スイスのGreen
Classなど
該当するサービスがない
MaaSに相当するサービス

20. MaaSエコシステムのフレームワーク
MaaS
プロバイダー
（MaaSオペレーター）
データ
プロバイダー
交通事業者
顧客
ユーザー
コア・ビジネス
クラウド
サービス会社
決済ソリューション企業
チケット発券ソリューション企業
経路検索
サービス企業
通信会社
保険会社
拡張企業体
ビジネス・エコシステム
政府・規制当局
投資家
調査研究機関 大学
メディア&
マーケティング会社
労働組合
The Business Ecosystem of Mobility-as-a-Service/2017
を参考に作成

21. コ
ト
づ
く
り
顧客価値
価値実装
体験
更新
 心地良い・使い易い
 もっと使いたい
 ずっと使い続けたい
 継続的な改善
 最適を維持
 顧客の期待を先回り
UX
ソフトウエア
「モノのサービス化」の構造
機能
仕様
モ
ノ
づ
く
り
ハードウェア
UI
サービスとは、効用や満足などを提供する形のない労働や役務のこと
サービス・ビジネスとは、コトの価値を提供し続けるビジネスのこと

22. ビジネス価値の比較
ハードウェア
車両本体
ソフトウェア
制御系
サービス
保守・点検・修理
自動車メーカー
ハードウェア
車両本体
ソフトウェア
サービスの実装
制御系のスマート化
サービス
モビリティ・サービス
生活サービス など
保守・点検・修理の価値向上
ソフトウェアによって実装
汎用部品化
モジュラー化
機能・操作の
ソフトウェア化
サービス価値を高めて
ビジネスを差別化
モビリティ & X
サービス事業者
ビジネス・プロセスの
ソフトウェア化
高速
改善
欠陥
ゼロ
要求
品質

23. ビジネス価値のシフト
モノづくり：サプライヤー／部品メーカーへの依存拡大
先進運転支援システム/ADAS
Advanced driver-assistance systems
自動運転システム/ADS
Autonomous Driving System
自動運転システム/ADS
Autonomous Driving System
移動サービス／MaaS 等
移動サービス／MaaS 等
車両／ハードウェア
車両／ハードウェア
車両／ハードウェア
コトづくり：自動車メーカーの事業の重心がシフト
データ
Data
差別化の対象 差別化の対象
差別化の対象
ソフトウェア
ソフトウェア

24. 自動車／移動ビジネスの3つの戦略
SONY
Vision S
Concept
UX（体験）
機能（移動）
モノ
（所有）
サービス
（使用）
従来までの
自動車メーカー
サブスク
MaaS Mobility as a Service
?
自動車メーカーのUX実現支援
自動運転ソフトウェア
ビジネス・モデル
の転換
ビジネス・モデル
の拡張
ライドシェア

25. 属性データと行動データ
性別・年代・結婚・職業・・・
 女性・20代・独身・事務職・手芸が好き・・・
属性に応じて最適化された
機能・性能・品質の提供
属性データ
属性（静的）データ ✖️ 商品（モノ）
商品力向上＝調査✖️技術開発✖️製造技術
個
人
場所・時間・体験・感情・・・
 競技場・夏の夕方・サッカー観戦・勝利の喜び・・・
状況に応じて最適化された
感動・楽しさ・共感の提供
行動データ
行動（動的）データ ✖️ UX（体験）
共感
デジタル接点・取得頻度の
増加によって解像度が上昇
UX向上＝多接点✖️高頻度✖️高速改善
状況
主義主張・人生観・価値観・悩み・生活圏・・・

26. データとモノ／コト・ビジネスの関係
属性データ 商 品 販売代金
属性に最適化された
商品の作り込み
魅力的な商品を作る
属性理解→商品設計→商品開発
行動データ UX サブスク
従量課金
状況に最適化された
UXのアップデート
魅力的な体験を作る
状況理解→UX設計→UX開発
体験を継続したいという想いへの対価
商品を手に入れることへの対価
行動データ 商 品 販売代金
うまくいかないビジネス
行動データを取得する意味がない 商品の機能や性能を
アップデートできなければ意味がない
アップデートのコストをまかなえない

27. タッチポイントの役割分担
ハイタッチ
ロータッチ
テックタッチ
感動・信頼・ファン
心地よさ・共感・感謝
便利・お得・楽ちん
１対多：オンライン・コンテンツ、メールなど
１対少：イベント、ワークショップなど
１対１：戸別訪問、個別相談など
デジタル接点
人・場所接点
人接点
行動データ
の把握
体験価値
の最大化

28. 体験データを手に入れるためのプラットフォーム
モノ
魅力的な機能・性
能・品質を実装し
たカタチある商品
コト
適切なタイミング
に便利で必要十分
なサービス
体験
楽しい、心地良い、
使い続けたいなどを
感じさせる物語・
ジャーニー
 惣菜パン
 生命保険
 自動車 など
 コンビニ
 ライフランナー
 販売店・営業
など
 決済・ポイント
 コミュニケーション
 移動サービス など
モノとコトをつないだ
体験データを掌握
プラットフォーマー

29. IoTの仕組みと使われ方

30. IoTの機能と役割の4段階
30
モニタリング
Monitoring
制御
Control
最適化
Optimization
自律化
Autonomy
センサーと外部データ ソフトウェア アナリティクス 人工知能（機械学習）
 製品の状態
 外部環境
 製品の稼働、利用状況
 製品機能の制御
 パーソナライズ
 製品機能・性能の向上
 予防診断
 サービス、修理
 製品の自動運転
 他製品やシステムとの自
動的連携
 自己診断と修理・修復
 製品の自動改良とパーソ
ナライズ
センサー、CPU、メモリーな
どの小型化・低コスト化
ソフトウェアやクラウドの進
化とネットワークの低コスト
化
モデリングやシミュレーショ
ンのアルゴリズムの進化と
ビッグデータ
人工知能アルゴリズムの進化
製品への組み込み

31. IoTの3層構造
31
クラウド クラウド
エッジ・サーバー
ゲートウェイ
センサー/モノセンサー/モノ
通信料の削減
最低限のデータを送受信
セキュリティ確保
機密データをローカルに保持
低遅延
機器をリアルタイム制御
拠点内／地域内
遠隔通信遠隔通信
データ活用
と機能連携
データ集約
と高速応答
データ収集
と遠隔送信
データ受信
と遠隔制御
通信料の増大
全データを送受信
セキュリティ困難
機密データを送受信
高遅延
機器を遠隔制御
ネットワーク負荷低減
スループット安定
ネットワーク負荷増大
スループット低下
デバイス層
エッジ・コンピューティング層
クラウド・コンピューティング層

32. 超分散の時代
32
インターネット
専用ネットワーク
インターネット
専用ネットワーク
専用ネットワーク
テキスト テキスト+ 画像 マルチメディア（テキスト×画像×動画） マルチメディア + センサー
全てのデータ保管・処理は集中
大規模なデータ保管・処理は集中
小規模なデータ保管・処理は分散
大規模なデータ保管・処理は集中
小規模なデータ保管・処理は分散
大規模なデータ保管・処理は集中
小規模なデータ保管・処理は分散
高速な処理・応答・制御は超分散
集中コンピューティング 分散コンピューティング クラウド・コンピューティング 超分散コンピューティング
通信経路上の
エッジサーバー
分散サーバー 分散サーバー ローカル
エッジサーバー
1960年代〜 1980年代〜 2000年代〜 2015年〜
組み込みコンピューター

33. IoT World Forumのリファレンス･モデル
33
物理的なデバイスとコントロー
Physical Devices &controllers
モノと設備・モノの周辺に配置される制御機器類
接続
Connectivity
ネットワークや機器との通信
エッジコンピューティング
Edge Computing
モノの周辺でのデータ分析や変換処理
データ抽象化
Data Abstraction
データ集約とアクセス
アプリケーション
Application
データ活用（業務処理・分析・レポート）
協働とプロセス
Corroboration & Processes
人と業務プロセス
データの蓄積
Data Accumulation
データの蓄積と管理

34. ファシリティ
工作機械・センサー・
建屋・電源・地域など
ヒューマン
スキル・意欲・文化・
組織・戦略・経営など
デジタル
データ・機械学習・自動化
シミュレーション・アプリなど
IoT実践の3つの課題
データ量・種類
管理能力
適用範囲など
企画や設計
監理や運用
戦略や業務
理解や知識
テクノロジー進化
開発や運用

35. IoTの社会実装

36. 社会全体がCPSによって変革されるデータ駆動型社会
36
産業構造審議会商務流通情報分科会 情報経済小委員会 中間取りまとめ ～ＣＰＳによるデータ駆動型社会の到来を見据えた変革～

37. データ駆動型社会の課題と可能性
37
産業構造審議会商務流通情報分科会 情報経済小委員会 中間取りまとめ ～ＣＰＳによるデータ駆動型社会の到来を見据えた変革～

38. データ駆動型社会の分野別の取り組み
38
産業構造審議会商務流通情報分科会 情報経済小委員会 中間取りまとめ ～ＣＰＳによるデータ駆動型社会の到来を見据えた変革～

39. IoTデバイスとしての自動車
39

40. ガソリン自動車と電気自動車
40
部品点数 3万点（エンジン 8000点） 部品点数 1〜2万点（モーター 30〜40点）
機能・性能 ハード＞ソフト 機能・性能 ハード＜ソフト
専用設計・製造が必要
ハードウェアのコモディティ化は困難
汎用部品の適用範囲が広い
ハードウェアのコモディティ化は比較的容易
競争力の源泉 ハードの開発や製造に必要な
ノウハウの蓄積や資金力／規模
競争力の源泉 ソフトウエアの開発力
（車載OSの覇権・Google vs Apple vs Tesla）
供給力とノウハウの
垂直統合（系列）による囲い込み
供給力とノウハウの
水平分業によるオープン・エコシステム
ガソリン自動車 電気自動車
異業種・ベンチャーの参入障壁は高い
トヨタ、日産、ホンダなどの自動車メーカー
異業種・ベンチャーの参入障壁は低い
Google、Apple、Teslaなどの異業種企業

41. 自動車産業に押し寄せるCASE
Share
共有
Autonomous
自律化
Electric
電動化
タクシーやレンタカー
が不要になる
自動車が売れなくなり
売上が低下する
バスや鉄道などの
役割が変わる
自動車が低価格化し
収益確保が難しくなる
自動車損害保険
が不要になる
不動産ビジネスが
影響を受ける
物流コストが
大幅に下がる
ガソリンスタンド
が不要になる
渋滞が解消し
環境負荷が低減する
ドライブインやモーテル
が不要になる
Connected
つながる
CASEShare
Autonomous
Electric
Connected

42. 次代を支えるデータ連係基盤
5G （次世代移動体通信システム）

43. 1G 2G 3G 4G 5G
音声 テキスト データ 動画
あらゆるモノがつながることを前提とした
社会課題の解決通信・コミュニケーションの性能向上
移動体通信システムの歴史
1979〜 1993〜 2001〜 2012〜
2020〜
9.6Kbps 28.8〜384Kbps 2.4〜14.4Mbps 0.1〜1Gbps
10Gbps〜

44. 5Gのビジネスの適用領域
データ量超増大 × 即時性向上
1通信あたりのデータの嵩が増える
 リッチ化する：高精細や高音質になり臨場感、没入感
が増す
 多角化する：同時に取り扱える情報の選択肢が増える
1通信あたりのデータの種類が増える
 制御用の情報（センサーやカメラからの情報）が増え
る：自動○○が実現する
 参考可能な情報（ログ情報）が増える：パーソナライ
ズのパターンが増える、レコメンドの精度が向上する、
対象への理解が深まる
タイムラグがほぼ無くなる
 距離の制約が消える：各地に散らばる人たち同士で同
時に何かやる、今やった/起きたことをすぐに取り込
んですぐ活かす
社会（利便性）向上系
医療分野
 超高信頼低遅延通信の実現で移動中や遠隔地の高度診療が可能になり、
医療格差が解消される
農林水産分野
 超大量端末同時接続の実現で作物や家畜などの状況を把握するセン
サーと散水・薬剤散布や給餌を実施するロボットやドローンの制御が
可能になり、減少する従事人口を補える
土木建築分野
 超大量端末同時接続と超高信頼低遅延通信の実現によって遠隔制御が
可能になり、危険度が高い高所・鉱山・災害地などの現場での安全な
作業が確保でき、またドローンの活用による高精度測量などの精度が
向上する
生活分野
 自動運転と遠隔制御によって、細分化された公共交通が実現する
 センサー情報を駆使して状況を把握する店舗運営が可能になる
 遠隔授業や家庭教師の実現によって、学習格差が解消される
 大量センサーと自動判定AIによって、防災・防犯・減災力が向上
 VRオフィスとテレワークが実現する
コンテンツ向上系
スポーツの場合⇒体験が深くなる
 自動制御が可能になってカメラ台数を一気に増やせることで、多地
点・ドローンなどによる多角度撮影ができるようになる
 取得データの種類が増え分析できる情報が増えることで、選手のバイ
タルデータ・顧客のバイタルデータ・環境データが取得できるように
なる
 AIが発達することでデータの有効活用レベルが上がり、多角的な分析
結果を提示できるようになる
エンタメの場合⇒現実を超える仮想実現へ
 即時性が向上することで出演者の居場所を問わない制作環境を実現さ
せることや、同時多人数対応の参加型体験の提供ができるようになる
スポーツ＆エンタメに共通
 1通信あたりの送信データの嵩が増え、高画質・高音質・8K360°リ
アルタイムな高臨場感映像が提供できるようになり、また視聴者に合
わせた多種多様な映像・情報を提供できるようになる
生活者データ・ドリブン・マーケテイィング通信より https://seikatsusha-ddm.com/article/10129/

45. コレ１枚でわかる第５世代通信
1G
2G
3G
4G
高速・大容量データ通信
 10G〜20Gbpsのピークレート
 どこでも100Mbps程度
大量端末の接続
 現在の100倍の端末数
 省電力性能
超低遅延・超高信頼性
 1m秒以下
 確実な通信の信頼性担保
5G
音声 テキスト データ 動画 IoT
多様なサービスへの適用を可能にする
 異なる要件のすべてを1つのネットワークで実現する。
 各要件をに応じてネットワークを仮想的に分離して提供する（ネットワーク・スライシング）。
1979年〜
1993年〜
2001年〜
2012年〜
2020年代〜

46. 5Gの3つの特徴
先送り
高速・大容量
大量端末接続 超低遅延・高信頼性
100万台/k㎡ 1ミリ秒
20Gビット/秒
1Gビット/秒
10万台/k㎡ 10ミリ秒
20
倍
5G
4G
URLLC：
Ultra-Reliable and
Low Latency Communications
mMTC：
massive Machine Type
Communications
eMBB：
enhanced Mobile Broadband
リアリティの再現
光ファイバーの代替／補完
高精細／高分解能な
デジタル・ツインの構築
時空間の同期
リアルタイム連携

47. 5Gの３つの特性
 URLLC：Ultra-Reliable and Low Latency Communications／超低遅延・超高信頼性
 eMBB：enhanced Mobile Broadband／高速大容量通信
 mMTC：massive Machine Type Communications／大量端末接続

48. 第５世代通信の適用例
高速・大容量データ通信
 10G〜20Gbpsのピークレート
 どこでも100Mbps程度
大量端末の接続
 現在の100倍の端末数
 省電力性能
超低遅延・超高信頼性
 1m秒以下
 確実な通信の信頼性担保
5G
多様なサービスへの適用を可能にする
 異なる要件のすべてを1つのネットワークで実現する。
 各要件をに応じてネットワークを仮想的に分離して提供する（ネットワーク・スライシング）。
2020年代〜
２時間の映画を
３秒でダウンロード
ロボット等の
精緻な遠隔操作を
リアルタイムで実現
自宅内の約100個のモノ
がネットに接続
(現行技術では数個)
現在の移動通信システムより
100倍速いブロードバンドサー
ビスを提供
利用者がタイムラグを意識
することなく、リアルタイ
ムに遠隔地のロボット等を
操作・制御
スマホ、PCをはじめ、身の
回りのあらゆる機器がネッ
トに接続

49. 5Gの普及段階
高速
eMBB
低遅延
URLLC
多接続
mMTC
高速
eMBB
低遅延
URLLC
多接続
mMTC
高速
eMBB
低遅延
URLLC
多接続
mMTC
4G（LTE）
4Gコアネットワーク
LTE
基地局
4Gコアネットワーク
LTE
基地局
NR
基地局
マクロセル
スモールセル
既存周波数帯 新しい周波数帯
NSA
NSA: Non-Standalone
5Gコアネットワーク
LTE
NR
基地局
既存周波数帯 新しい周波数帯
SA
SA: Standalone
マクロセル
スモールセル
NR
ユーザー情報
制御情報
ユーザー情報 ユーザー情報
制御情報
SA
LTE: Long Term Evolution
NR: New Radio
5G初期 5G普及期
2010〜 2020〜 2022〜

50. 参考:5Gの社会実装に向けたロードマップ
50

51. ローカル5G（Private 5G）
5G：住宅街や駅・商業地域等の広域／通信事業者
ローカル5G：「自己の建物内」又は「自己の土地内」／その場所を利用する権利を持つ者

52. 第５世代通信におけるネットワーク・スライス
高速・大容量データ通信 大量端末の接続 超低遅延・超高信頼性
5G
ネットワーク・スライシング
高効率
ネットワーク・スライス
低遅延
ネットワーク・スライス
高信頼
ネットワーク・スライス
セキュア
ネットワーク・スライス
企業別
ネットワーク・スライス
エネルギー
関連機器の
監視や制御
農業設備や
機器の監視
や制御
物流トレー
サビリティ
遠隔医療
各種設備機
器の監視と
制御
ゲーム
災害対応
自動車
TISや自動運転
公共交通
機関
医療
遠隔医療や
地域医療
自治体
行政サービス
金融
サービス
企業内
業務システム
各種クラウド
サービス
・・・

53. 第５世代通信におけるネットワーク・スライス
高速・大容量データ通信 大量端末の接続 超低遅延・超高信頼性
5G
ネットワーク・スライシング
SIM
SIM
SIM
閉域網
閉域網
閉域網
SIM
SIM
SIM(subscriber identity moduleもしくはsubscriber identification module/SIMカード)とは、電話番号を特定するための固有のID番号が記録された、
携帯やスマートフォンが通信するために必要なICカードのこと。

54. つながることが前提の社会やビジネス
アナリティクス
最適化・予測など
アプリケーション
機器制御・指示命令
情報提供等
データ
クラウド・サービス

55. 人に寄り添うITを実現する人工知能/AI
Artificial Intelligence

56. AIとは何か

57. 人間は何を作ってきたのか
鳥のように空を飛びたい
馬のように速く走りたい
魚のように海に潜りたい

58. 人工知能の2つの方向性
視覚（See）
聴覚(Listen)対話（Talk）
汎用型人工知能
AGI : Artificial General Intelligence
特化型人工知能
AI : Artificial Intelligence
特定の領域に特化した知的処理 汎用的で自律的に拡張する知的処理
何を知るべきを見つける
どうすればいいかを探す
 共通するのは何か？
 違うのは何か？
 足りないのは何か？
意識・意欲・興味・自己理解など
疑問や興味を持ち
目的やテーマを設定する能力
脳で行う
知的処理
人間の能力
を超えるものもある
仕組みが分からず
実現の見通しがない

59. コンピュータがコンピュータを作る時代
こんなコンピュータを作ろう！
もっといいやり方はないだろうか？
どこを改善すれば性能は向上するだろう？
この新技術は使えるかもしれないぞ？
設計・実験・製造データ作成など
コンピュータ／AIが 人間を支援
目的やテーマの設定
コンピュータ／AIが 自律的に全てを実行
汎用型人工知能
AGI

60. 自動化から自律化への進化
連続する作業の自動化
生産管理・販売管理・工程管理など
伝票や作業の流れなどのオンライン処理
最適対応が求められる作業の自動化
状況の変化をセンサーやログによって収集し
パターン化されたルールに基づき機器を制御
状況に応じて自ら判断する作業の自動化＝自律化
未知の状況にも対応し、自ら判断して実行する
人
間
の
与
え
た
ル
ー
ル
や
判
断
基
準
に
従
っ
て
人
間
が
介
在
す
る
こ
と
な
く
実
行
す
る
。
機
械
が
自
ら
ル
ー
ル
や
判
断
基
準
を
生
成
し
人
間
が
介
在
す
る
こ
と
な
く
実
行
す
る
単一作業の自動化
給与計算・部品表展開など
のバッチ処理

61. AIの役割と人間の関係
多様性の拡大
知的単純労働
からの解放
複雑な業務の
効率と品質の向上
自分とは異なる能力やスキルを
持つものとの協力で問題を解決する
ウエブ情報の収集
提携記事の作成
勤怠管理
書類作成
工事現場の進捗管理
施設の警備
防犯や防火
ケアプランの作成
財務情報の収集と分析
報告書の作成治療方針の策定
カルテの作成
自分とは異なる視点や洞察を得て
イノベーションを生みだす
通訳や翻訳
判例検索
自動運転
機器制御
商品プランの提案
契約書作成
短期間での問題解決
試行錯誤の高速化
新たな関係や組合せの提示
専門的なアドバイス
質問応答
医療診断支援
AIは、
問題を解決する
人間は
問題を生みだす

62. AIマップ・AI研究は多様 フロンティアは広大
人工知能学会: https://www.ai-gakkai.or.jp/pdf/aimap/AIMap_JP_20200611.pdf#page=25

63. AIマップ・AI研究の現在
人工知能学会: https://www.ai-gakkai.or.jp/pdf/aimap/AIMap_JP_20200611.pdf#page=25

64. IoT メカトロニクス
知能・身体・外的環境とAI
64
認識 意志決定 運動構成
感覚器 運動器官
骨格、関節、筋肉、靭帯、腱
外的環境
身体
知能
影響受容
AI（人工知能）
意識
脳の活動領域

65. 65
ある ない
ある ない
ある ない
ある
（少ない学習データ）
ある
（膨大な学習データ）
高い 低い
(ひとつの知的処理に特化)
高い 低い
低い 高い
人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識
しているが、機械には身体がないのでそれができない。
自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか
る心の働きである意識により、人間は様々な知的処理を同時に実行し、
それを統合・制御しているが、機械にはできない。
人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を
成し遂げようとする意志を持っているが、機械にはない。
人間は少ない学習データからでも効率よく学習できる能力をそなえてい
るが、機械は膨大な学習データとそれを処理できる膨大な計算能力（消
費エネルギー）を必要とする。
人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知
的処理に特化している。
人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ
ることができるが、機械にはそれができない。
人間の場合、１千億個のニューロンによる超並列処理がおこなわれてい
るが、その数を増やすことはできない。しかし、機械のプロセッサーは
増やすことはできる。
人間の知性と機械の知性
意識
身体性
意志
学習能力
汎用性
可塑性
スケーラ
ビリティ
高い 低い
人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを
消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、
GoogleのAlphaGoの消費電力は25万ワット/時とされている。
エネルギー
効率
ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能
であり、記憶内容やメカニズムは必ずしも同じではない。
記憶能力
機
能
的
特
徴
器
質
的
特
徴
人間の知性 機械の知性 補足説明

66. 「人工知能」と言われるものの４つのレベル
66
単純制御：指示されたことをそまま行う
予め定められたルールに従い制御する（人工知能搭載○○）。
 気温が上がるとスイッチを切るエアコン
 洗濯物の重さで洗濯時間を自動的に変更する洗濯機
 ひげの伸び具合で剃り方を変える電気シェーバーなど
ルールベース：指示されたことを自ら考えて実行する
外の世界を観測することによって振る舞いを変える。
振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。
 「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、
これからの打ち手を探索して打つことができる囲碁や将棋のシステム
 与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム
機械学習：着眼点は人間が教え、対応パターンを自動的に学習する
人間があらかじめルールを細かく決めて組み込んでおかなくても、
大量のデータから対応パターンを自ら見つけ出す。
ただし学習のための着眼点（特徴量）は人間が設計。
 「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、
対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム
 診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム
深層学習：着眼点を人間が教えずに、対応パターンを自動的に学習する
学習に使う変数（着眼点／特徴量）を自分で学習して見つけ、
対応のパターンを見つけ出す。
 一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、
ということを自分で見つけ出すことができる医療診断システム
 状況に応じて、最適な判断をおこなう自動運転の自動車
レ
ベ
ル
１
レ
ベ
ル
２
レ
ベ
ル
３
レ
ベ
ル
４

67. 人工知能と機械学習

68. 人工知能と機械学習
人工知能（Artificial Intelligence）
人間の”知能”を機械で
人工的に再現したもの
基礎的
応用的
知識表現
推論 探索
機械学習
自然言語理解感性処理
画像認識
エキスパートシステム
データマイニング
情報検索
音声認識ヒューマンインターフェース
遺伝アルゴリズム
マルチエージェント
ニューラルネット
ゲーム
プランニング
ロボット
人工知能の一研究分野

69. 人工知能と機械学習の関係
69
人工知能 Artificial Intelligence/AI
機械学習 Machine Learning
ニューラル・ネットワーク
Neural Network
深層学習
Deep Learning
人間の”知能”を機械で
人工的に再現したもの
強いAI:コンピュー
タに人間と同様の知
能を持たせた仕組み
弱いAI:コンピュー
タに人間と同様の知
的な振る舞い・処理
をさせる仕組み
データからグループ分
けのためのルール（モ
デル）を作る仕組み
脳の仕組みを参考に作
られた機械学習の手法
従来よりも精度の高いモ
デルを作ることができる
ニューラル・ネットワー
クの手法
遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、
ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル
ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
データ
プログラム
モデル

70. 機械学習がやっていること
モデル
入力をどう処理して
出力するかのルール
入力 出力
人間の思考で
ルールを作る
実験・観察・思考
データ分析で
ルールを作る
機械学習

71. 機械学習がやっていること
モデル
レントゲン写真から
「癌」の病巣を
識別するルール
入力 出力
癌
データ分析で
ルールを作る
機械学習 癌の病巣が写っている
大量のレントゲン写真
ある患者のレントゲン写真 「癌」の病巣を表示
レントゲン写真から
「癌」の病巣を見つける「モデル」

72. ルールベースと機械学習
Sheep Dog
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Mop
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Sheep Dog
を見分ける仕様
やルール
0101011101010
1110101001011
1110010101010
Mop
を見分ける仕様
やルール
0111100101010
1101010001010
1110100100101
人間が記述 データから生成
GoogleのAI学習教材より

73. ルールベースと機械学習の違い
このレントゲン写真に、肺ガンが
写っているかどうかを知りたい！
レントゲン写真に、
肺ガンが写ってい
るかどうかを見分
けるためのルー
ルーを学び・経験
を積んで会得する。
レントゲン写真に、このルールーを適用する
レントゲン写真に、肺ガンがうつっているかどうかを判定する
見分けるための特徴の組合せ
／目の付け所を人間が教える特徴量
特徴量を人間が教えるのではなくデータを
分析して見つけ出してくれるのか深層学習
レントゲン写真に、
肺ガンが写ってい
るかどうかを見分
けるためのルー
ルーを記述する。
ルールベース
レントゲン写真に、
肺ガンが写ってい
るかどうかを見分
けるルールーを
データを分析して
生成する。
機械学習

74. これはイチゴです！
推論
推論モデル
イチゴの特徴の組合せを表現
ニューラル・ネットワーク
イチゴについての
ニューラル・ネットワーク
が未完成
イチゴの特徴
が分からない
イチゴについての
ニューラル・ネットワーク 推論モデル
機械学習
イチゴのデータ
を大量に入力
ニューラルネットワークの仕組み
イチゴは、こんな
特徴の組合せです
これはなに？

75. 機械学習の仕組み
75
IoT Web
Mobile
データ
モデル
推論機械学習
Machine Learning
識別予測 判断ゾウ or カバ？ 正常 or 異常？晴れ or 雨？
データ(学習データ)を分析して
特徴が共通するグループに分ける
ための基準／ルール(モデル)を作る
モデルを使ってグループ分けする
音声認識
顔認証
自動運転
創薬支援
天気予報 画像診断 人材採用故障予測
機械翻訳 競技アドバイス惑星探査 ヒビ割れ点検
製品品質検査
機械学習アプリケーション
推論モデル／学習モデルという
学習データという

76. モデルとは何か
76
動物 多次元の座標空間で表現された
特徴の組合せが似通ったグループ
特徴 1
特徴 2
特徴 3
楽器
乗り物
機械学習
データからモデル
を生成する仕組み
モデル
特徴の軸をデータから生成
最適な軸の組合せをソフトウェアが調整
特徴の軸を人間が指定
最適な軸の組合せを人間が調整
深層学習
Deep Learning
機械学習
深層学習ではない

77. どんな計算をしているか
77
 大量のサンプル・データ（例えば、癌の病巣が写っているレントゲン写真）の特徴を独自に数字化する。これを
特徴量という。
 これを座標軸＊として、空間（特徴空間）上にサンプル・データを配置した時、最もうまく分離する特徴量（座
標軸）の組合せを作る。これが最適化された「推論モデル」となる。
 深層学習（ディープラーニング）以前の機械学習は、この座標軸=特徴量の組合せを人間が設定しなければなら
なかったが、深層学習はこれをデータを分析することで、自分で見つけ出すことができる。
最適化された推論モデル
＊イラストは表現上の制約から3つの座標軸で表しているが、実際の座標軸は数百を越える。

78. これまでの機械学習とディープラーニング
78
特徴量の抽出
モデル
最適解
識別
分類
判断
特徴量の抽出
モデル
最適解
識別
分類
判断
BIG DATA
これまでの機械学習のアプローチ
ディープラーニングによるアプローチ
BIG DATA

79. ニューラル・ネットワークの原理（１）
故障
稼働期間
稼働出力
稼働感覚
設置場所・気温
設置場所・湿度
○○○
・・・
結果
特徴量
特徴量の設定と組合せを設計
人間の
職人技
機械による
自動化
従来型の
機械学習
深層学習
Deep Learning

80. ニューラル・ネットワークの原理（２）
多数のデータを入力することで
特徴量と故障との関係の強さが
明らかになる
故障
稼働期間
稼働出力
稼働感覚
設置場所・気温
設置場所・湿度
○○○
・・・
データ
スパース（少数）コーディング
無駄な記憶や処理を省き、記憶
や処理の効率を飛躍的に高める

81. ニューラル・ネットワークの原理（３）
81
故障
稼働期間
稼働出力
稼働感覚
設置場所・気温
設置場所・湿度
○○○
・・・
特徴量
推論：
このデータの組合せなら故
障が起きる確率は○○％
結果

82. 機械学習と推論（1）
耳
目
口
特徴量
猫と犬を識別・分類する
ために着目すべき特徴
人間が
観察と経験で
決める
機械学習
統計確率的
アプローチ
機械が
データ解析して
決める
機械学習
ディープラーニング
（深層学習）
「特徴量」ごとに
猫／犬の特徴を
最もよく表す値を
見つけ出す
学習
猫の特徴を最もよく表す
特徴量の組合せパターン
犬の特徴を最もよく表す
特徴量の組合せパターン
猫の推論モデル 犬の推論モデル
大量の学習データ 大量の学習データ
犬
dog
猫
cat

83. 機械学習と推論（2）
特徴の抽出
推論モデルとのマッチング
猫 犬
推論モデル推論モデル
「猫」の推論モデルに
98%の割合で一致している
推論結果
だから「この画像は猫である」
「特徴量」に着目して
それぞれの値を計算する
推論
特徴量未知のデータ
耳
目
口

84. 学習と推論
84
大量の学習データ
機械学習 学習済
推論モデル
アプリケーション
対象
データ
推論
エンジン
 CT画像データ
 通話音声データ
 LIDERデータ
など
推論
判別
 画像：癌病巣の発見
 音声：話者の特定
 センサ：障害物回避
など
GPUや専用LSIを使用
消費電力より並列処理性能を優先
FPGAやDSPなどを使用
高速処理と低消費電力を優先
GPU: 大規模並列処理可能なプロセッサ
FPGA:プログラミング可能なLSI
DSP:信号処理に特化したLSI
LIDAR:レーザーの反射光から周辺環境の3次元的な構造を読み取る装置
学習
Learning
推論
Inference

85. 一般的機械学習とディープラーニングとの違い
85
耳 27%
目 48%
口 12%
特徴量
「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴
正しく認識 82%
誤った認識 18%
認識結果
耳 27%
目 48%
口 12%
特徴量
学習
ディープラーニング
学習
推論
ディープラーニング
推論
正しく認識 82%
誤った認識 18%
認識結果
人間が認識結果が
最適になる組合せを
見つける
機械が認識結果が
最適になる組合せを
見つける
学習データ
教師付きデータ 学習データの一部
評価データ

86. 深層学習の学習と推論
86
・・・・・
入力層 出力層中間層（隠れ層）
入力と出力ができるだけ一致
するように中間層の繋がりの
重み付けを調整してゆく。
・・・・・
入力層 出力層中間層（隠れ層）
イヌ 32% ×
ネコ 96% ○
ウシ 18% ×
学習
推論
重み付けされた
「学習済の推論モデル」
「ネコ」
である
教師データ
未知のデータ
教師データ

87. ニューラル・ネットワークの仕組み
長い尻尾 縞模様
しなやかな
四肢
尖った耳 ・・・
猫を認識
特徴量
猫の特徴を示す要素
特定の特徴量に
反応するニューロン
上位階層の特定・複数の
組合せが反応すると
反応するニューロン
上位階層の特定・複数の
組合せが反応すると
反応するニューロン
「猫」が入力されると
強く反応するニューロン
深層学習（ディープラーニング）以前の機械学習は、
人間が設定しなければならなかったが、
深層学習はこれを自分で見つけ出す。
ニューロンとは「神経細胞」。
その繋がりをニューラル・ネットワークという。

88. 機械学習における3つの学習方法
88
機械学習
Machine Learning
教師あり学習
Supervised Learning
入力と正解例の関係を示したデータ
を学習データとして入力し、その関
係を再現するように特徴を抽出、モ
デルを生成する。
教師なし学習
Unsupervised Leaning
なんの説明もない学習データを入力
し、抽出した特徴のパターンから類
似したグループを見つけ出し、それ
ぞれのモデルを生成する。
強化学習
Reinforcement Learning
推論結果に対して評価（報酬）を与
えることで、どのような結果を出し
て欲しいかを示し、その結果をもう
まく再現できるモデルを生成する。
回帰
Regression
分類
Classification
クラスタリング
Clustering
バンディット
アルゴリズム
Bandit Algorism
Q学習
Q Learning
売上予測
人口予測
需要予測
不正検知
など
故障診断
画像分類
顧客維持
など
レコメンド
顧客セグメンテーション
ターゲットマーケティング
など
ゲーム
広告
自動運転
リアルタイム判断
など
決定木、ランダム
フォレスト、線形回
帰など
k平均法、kモード、
DBSCANなど
次元削減
Dimensionality
Reduction
SVM、ロジスティッ
ク回帰、ナイーブベ
イズなど
主成分分析、特異値
分解、潜在的ディレ
クトリ配分法など

89. 新しい学習法
89
教師あり学習 教師なし学習半教師あり学習
自己教師あり学習
強化学習
逆強化学習
模倣学習
メタ学習
少数の教師ありデータと大量の教
師なしデータを使って学習する手
法
人間のお手本データをもとに教師
あり学習をして行動計画などを立
てる手法
教師なしデータに対してAIが正解
メタデータをタグづけしそれを教
師ありデータとして学習する手法
学習の仕方を学習するとも呼ばれ
る、複数のタスクの学習結果を利
用して新しいタスクの学習効率を
上げる手法
人間のお手本データを分析し、強
化学習における「報酬」を分析す
る手法
表紙データを使って学習する手法 教師なしデータだけで学習する手
法
「報酬」が高くなるように学習す
る手法

90. 人工知能の実用

91. 一般的なプログラムと機械学習を使ったプログラム
91
達成目標
業務目的
処理プロセス
アルゴリズム
判断や分類
のルール
（一般的プログラムでは分岐条件） データによる
機械学習
人間の
経験や習慣
人間の
経験や習慣
一般的なプログラム 機械学習を使ったプログラム

92. 自動化ツール
Google Cloud AutoML
Microsoft Azure ML
AWS SageMaker など
AIと人間の役割分担
データを準備
意志決定
学習方式の選択
パラメーターの調整
可視化・分類・予測
問いを生みだす
解決したいこと・知りたいことを決める
膨大なデータの中から、人間
の経験に基づく先入観なしに
規則、相関、区分を見つける
新たな問いを生みだす
判断・制御
モデル
公式・ルール・関数など

93. IoTにおける学習と推論の関係
学習
learning
 大規模な計算能力
 学習専用プロセッサー
 長時間演算
推論
inference
学習モデル 学習モデル学習モデル 学習モデル学習モデル
 比較的小規模な計算能力
 推論専用プロセッサー
 短時間演算
学習データ

94. 学習と推論の役割分担
94
学習
推論
学習
推論
 大規模な計算能力
 専用プロセッサー
 長時間演算
 比較的小規模な計算能力
 専用プロセッサー・省電力
 短時間演算
学習モデル 学習モデル
学習
推論
学習モデル学習モデル
クラウドでモデルを作り、
そのモデルをエッジのデバ
イスに送りリアルタイムの
現場のデータから予測や判
定を行う。
リアルタイム性が重要な処
理は、できるだけ現場に近
い場所で処理できたほうが
有利。また、機器の個体差
にも対処できる。
クラウドで完結するサービ
スに適用。
学習
推論
推論モデル（予測や分類などの
ルール）を大量のデータから作る
推論モデルを使って現場データ
から予測や分類、判断／判定を行う
AISing,HACURUS,
SOINN など
ARAYA,LEAPMIND,
IDENなど
ABEJA,Microsoft,Google,
Facebook,Amazon,
Preferred Networkなど
NVIDIA,Intelなど

95. デバイス側のAIチップ（エッジAIチップ）の必要性
電力消費量の増加
 世界の電力消費量は伸び続けており、環境問題
としても取り沙汰されている。
 デバイスが増加し、データのやり取りが増加す
るとさらに世界の電力消費量が大きくなる可能
性が高い。
リアルタイム性への対応
 データ転送などによる通信遅延の発生は，遠隔
医療や産業ロボット、自動運転では通信遅延は
命取りになる場合がある。
 自動運転で認識が遅れてブレーキが遅れるなど
即時応答が必要な分野は多い。

96. 人工知能の適用領域
96
人間の関与
自律的制御
状況を把握して自律的に判断し実行
自動運転自動車・株の自動取引など
推奨・判断
データを解析し最適解を見つけ出し推奨、判断
医療診断支援・商品レコメンドなど
知識の発見
データを解析し規則性やルールなどの知識を発見
故障診断や予知・創薬用新物質発見など
対話的操作
自然な対話で機器制御、サービスを利用
スマートアシスタント・サービスロボットなど
情報整理・提供
要求に従い大量の情報を整理し情報を探し出す
質問応答・判例検索など
知的作業の支援
知的能力の拡張
知的作業の自律化

97. 深層学習が前提となったシステム構造
97
深層学習フレームワーク
学習処理実行基盤
画像解析
動画認識
音声認識
話者認識
言語理解
文章解析
機械翻訳 知識表現 検索
コールセンター
顧客応対
営業支援
提案活動支援
医療
診断支援
創薬支援 その他
その他
文献データ
社内業務
データ
概念体系
辞書
音響データ
言語データ
画像データ
動画データ
その他
アプリケーション
ソリューション
認識系
サービス
学習基盤
知識ベース
学習データ
Ａ
Ｉ
プ
ラ
ッ
ト
フ
ォ
ー
ム

98. 自律走行できる自動車
98
レベル4･5
レベル3
レベル2
レベル1
レベル0
自動運転
自動運転
運転支援
運転支援
支援なし
ドライバーが常にすべての操作
（加速・操舵・制動）を行う。
加速・操舵・制動のいずれかをシ
ステムが行う。
加速・操舵・制動のうち複数の操
作をシステムが行う。
加速・操舵・制動を全てシステム
が行うが、システムから要請があ
ればドライバーはこれに応じる。
加速・操舵・制動を全てシステム
が行い、ドライバーは関与しない。
＊レベル4は高速道路や特定の地域などに限定される。
事故責任

99. 自動運転のためのプラットフォーム
99
参 照
アップデート
３次元地図
走行アルゴリズム
教科学習
アップデート
自動車 5G クラウド
GPU、FPGA、センサーなど 高信頼
ネットワーク
3次元地図データベース
ディープラーニングなど

100. 人工知能の可能性と限界

101. 機械翻訳の現状とそのプロセス
音声認識
Speech
Recognition
機械翻訳
machine
translation
音声合成
Speech
synthesis
2016：人間並み 2018〜19：人間超え 2018〜19：人間との区別困難
プロの逐次翻訳に匹敵（状況による）
60
50
40
30
20
10
一般の人が翻訳した場合よりも高品質であることが多い
非常に高品質で適切かつ流暢な翻訳
高品質な翻訳
理解できる適度な品質の翻訳
主旨は明白だが文法上の重大なエラーがある
主旨を理解するのが困難
ほとんど役に立たない
BLEUスコア
19851990 1995 2000 2005 2010 2015 2020
統計的機械翻訳
SMT(Statically Machine Translation)
ニューラル機械翻訳
NMT(Nural Machine Translation)
BLEU: BiLingual Evaluation Understudy

102. 人間にしかできないこと・機械にもできること
帰還した爆撃機の被弾状況
 銃撃を受けても帰還できたのはなぜか？
 帰還した爆撃機の銃撃箇所の分布を調べてみた。
 この範囲への銃撃なら飛行は継続できる。
 これ以外に被弾したので撃墜されたのではないか？
意味を理解する
問いを作る
第二次世界大戦中、イギリスはドイツより多くの爆撃機を失っていた。 彼らは装甲を追加することに決めたが、相当の費
用がかかるので追加する場所を慎重に選択する必要があった。
撃墜された爆撃機の被弾状況（想定）
 帰還した爆撃機にはない銃撃箇所の分布を想定した。
 この範囲が銃撃されたら飛行は困難になる。
 ここへの銃撃を防ぐことはできない。
 墜落しやすい箇所の装甲を強化すれば墜落は防げる。
正解を見つける
結果を検証する
Abraham Wald
（ハンガリーの数学者）
が提示した解決策

103. AIにできること、人間に求められる能力
自分で問いや問題を
作ることができない
与えられた問いや問題には
人間よりも賢く答えられる
問いや問題を作る能力
人工知能を使いこなす能力
結果を解釈し活用する能力
人間に求められる能力
AI

104. Whyから始める
いかなる問題を解決するのか？
Purpose（目的／存在意義）を
明確にする
どのように問題を解決するのか？
構想や体制、開発や運用の
方針や計画を明確にする
何を使って問題を解決するのか？
技術や手法、製品やサービスなどの
手段を具体化する
WHY
HOW
WHAT

105. 人間と機械の役割分担
WHY
HOW
WHAT テクノロジーにより
置き換えられる領域
AI、ロボット、クラウド、自動化など
人間でなければ
できない領域
なぜ、なんのために、何をしたいかなど

106. 人間とAIの役割分担
人間にしかできないこと AIに任せた方がいいこと
 疑問や興味を持つ
 課題を持ち解決したいと思う
 目的やテーマを設定する
 結果をイメージできる
 行動に意味を与える
 最適な結果を高速に見つける
 大規模データを高速に計算する
 試行錯誤を高速に繰り返す
 膨大な選択肢を絞り込む
 膨大な組合せを検証する
意欲や興味、想像、意味付け 高速・大量な論理演算、検索と比較
マシンは答えに特化し、人間はよりよい質問を長期的に
生みだすことに力を傾けるべきだ。
“これからインターネットに起こる『不可避な12の出来事』” ケビン・ケリー・2016

107. 超高齢化社会を人工知能やロボットで対応
107
人工知能やロボットを積極的に駆使し、労働生産性やQOL（Quality of Life）の向上が急務

108. 圧倒的なビジネス・スピードに対応する
開発と運用
Development & Operation

109. システムの開発と運用とは
システム
開発
Development
アプリケーション
を実行可能にする
こと
 アプリケーショ
ンを企画設計し
プログラムを作
ること。
 最適な技術を目
利きし、その適
用方法を決める
こと
 アプリケーショ
ンを動かすため
の仕組み（プ
ラットフォーム
とインフラ）を
整えること
システム
運用
Operation
アプリケーション
やプラットフォー
ムとインフラを安
定して動かし続け
ること
 稼働状況やトラブ
ルの監視
 万が一のための
バックアップや復
旧（リカバリー）、
安定稼働のための
改善など
 ユーザーからの問
い合わせやトラブ
ル対応に対処する
こと
インフラストラクチャー
サーバー、ストレージ、データセンターなどのハードウェアや設備
プラットフォーム
データ管理、セキュリティ管理、通信、ハードウェア制御、決済などの共通機能
アプリケーション
会計管理、販売管理、オンライン・サービスなどの
業務成果を生みだすソフトウェア／プログラム
開発や実行のための環境の整備
プログラミング・テスト
概要設計・詳細設計
企 画

110. システム化の対象範囲
レベルD
存在しない
レベルC
初期段階
レベルB
反復可能だが直感的
レベルA
標準プロセスが定義されている
レベルAA
管理が行き届き測定可能
レベルAAA
最適化されている
Source: Capability Maturity Model Integration, CMMI
システム化
の対象範囲
システム化
の対象範囲外

111. ITの役割分担
ストラテジック
アプリケーション
コモディティ
アプリケーション
コア・アプリケーション
デジタル･プラットフォーム
機械学習・ブロックチェーン・IoTなど
ERP・SCM
電子メール
オフィスツール
経費精算
スケジュール
ファイル共有
プロジェクト管理など
デザイン思考
リーンスタートアップ
常に最新
メンテナンス･フリー
エコシステム
事業戦略に直結
ジャストインタイム
事業の成果に貢献 クラウド･サービス
を採用
内製チームで開発
アジャイル開発×DevOps

112. システム構築事例 ：オンライン・サービス事業者
財務会計・人事
Netsuite
管理会計
Tableau
勤怠・給与
e-Pay
経費精算
Concur
連結会計
Diva
人事ダッシュボー
ド
QlicView
考課・目標管理
Cydas
KPI管理
内製
作画・共有
Cacoo
情報共有
Quita
進捗管理
Tollelo
開発ソース管理
GitHub
開発案件管理
Jira
開発情報Wiki
Confluence
ファイル共有
Box
シングル
サインオン
Okta
メール
G Suite
チャット
Slack
無人受付
Smart at
ワークフロー
kintone
名刺管理
sansan
マーケティング
Marketo
基幹業務
システム開発 コミュニケーション その他
クラウド
SaaS
オンプレミス
パッケージ
オンプレミス
内製

113. これからの開発と運用
その背景

114. デジタル・トランスフォーメーションのBefore/After
支援
人間主体でビジネスを動かしITが支援する
生産性向上・コスト削減・期間短縮
安定×高品質の徹底追求
ITはコスト、削減することが正義
コスト削減の手段としての外注
常にコスト削減の圧力に晒される
仕様書通りQCDを守って
情報システム完成させる
Before DX
人間とITが一体となってビジネスを動かす
変化への即応力・破壊的競争力・価値の創出
柔軟×迅速と試行錯誤
ITは競争力の源泉、投資対効果で評価
競争力の源泉として内製
ビジネスに貢献できれば投資は拡大する
変化に柔軟・迅速に対応し
ビジネスを成功させる
After DX

115. ビジネス・スピードの加速とシステム開発・運用の関係
ビジネス 要件定義
設計
開発
テスト本番移行
リアルタイムな現場のニーズの変化やフィードバックをうけて、
小さな単位で高速に改善を繰り返し、ビジネスの成果に、いち早く貢献する
将来を予測し緻密な計画を立て、
必要性が高いと考えられるニーズに基づき仕様に固め、その通りに開発する

116. これからの「ITビジネス成功の方程式」
情報システムの
品質
成 果
生産量
スピード 最大
ビジネス
開発・運用
少ない生産量（工数）で開発から運用のスピードを加速し
現場のニーズにジャストインタイムで成果を提供し続ける
開発・運用のサイクルを高速で回転させる
開発・運用

117. アジャイル・DevOps・クラウドは常識の大転換
構築 運用 構築 運用
 構築・運用サイクル：5年〜
 業務要件：変えられない／計画通りが前提
 要求水準：高品質／完璧
 責任分担：要求（事業会社）／その他全て（SI事業者）
サーバー
ストレージ
ネットワーク
HWや設備を調達
システム構築・運用
一連の業務を外注
所有＋構築・運用
指示・外注が前提
従来のやり方（建築工事と保守点検）
 設計・実行サイクル：分／時間／日
 業務要件：変える／計画通りは無理が前提
 要求水準：高速にアップデートし品質を維持
 責任分担：全て（事業会社）／支援（外部事業者）
機能部品の組合せ
手順の設計と実行
自分が責任・主管
使用＋設計・実行
自前・内製が前提
これからのやり方（賃貸やレンタカー）
クラウドには
 預ける・載せる・任せるの発想はない
 アウトソーシングではない
 借りて、自分で使いこなす発想が必要

118. ウォーターフォール開発×オンプレミス×開発・運用業務委託の限界
ビジネス・スピードの加速を支える開発と運用
アジャイル開発
Agile Development
 ビジネスの成果に貢献するコードだけを
 変更に柔軟・迅速に対応して
 バグフリーで提供する
DevOps
Development & Operation
 運用の安定を維持しながら
 本番環境への迅速な移行と
 継続的デリバリー
クラウド
Cloud Computing
 最新・高速・俊敏な開発実行環境の調達
 経費化による不確実性への担保
 運用やセキュリティから解放と人材の再配置
デジタル・トランス･フォーメーション
業務がITへITが業務へとシームレスに変換される状態

119. ITのスピードが高速化
 ITのスピードにビジネス・プロセスが追いつかない
 全ての組織がサービス・プロバイダー化する
 どの様にITサービスを提供し維持するのか
 Value-driven (価値主導）
 Evolving（発展、展開する）
 Responsive（敏感に反応する）
 Integrated（統合、結合された）
 Service（サービス）
 Management（マネジメント）
企業レベルでサービス管理を行うための運用モデル
VeriSM
119
アジャイル開発
Agile Development
 ビジネスの成果に貢献するコードだけを
 変更に柔軟・迅速に対応して
 バグフリーで提供する
DevOps
Development & Operation
 運用の安定を維持しながら
 本番環境への迅速な移行と
 継続的デリバリー
クラウド
Cloud Computing
 高速で俊敏な開発実行環境の調達
 経費化の拡大による不確実性への担保
 運用やセキュリティから解放と人材の再配置

120. VeriSMとは何か
120
Value-driven (価値主導）
Evolving（発展、展開する）
Responsive（敏感に反応する）
Integrated（統合、結合された）
Service（サービス）
Management（マネジメント）
デジタル・トランスフォーメーションとは、全てのビジネスをサービス化すること
ITだけでなく企業レベルでサービス管理に取り組むことが必要
全てのビジネスが
サービス化
デジタル・トランスフォーメーションを実現するには、業種や業態によ
らず、すべての企業や組織が、IoTやAI、クラウド・ネイティブなどの
最新ITを活かしたサービスを提供するプロバイダーになることが必要と
される。
ITサービス管理から
企業レベルのサービス管理
が必要
全てのビジネスをサービス化すると企業レベルでサービスを管理するこ
とが必要となる。ITサービス管理のフレームワークであるITILでは不十
分でビジネス部門も含めた企業レベルのサービス管理としてのSIAM、
アジャイル開発やDevOpsなどを組み合わせる必要がある。
全ての企業が利用可能な
テーラーメイドアプローチ
が必要
サービスの種類、ビジネスにおける優先事項、業界の制約、組織の規模、
文化、人の能力・スキルなどに相違がある前提で、オーダーメイド可能
なサービス管理のアプローチを提供する必要がある。アジャイル開発や
DevOpsなどはその実現手段となる。
企業レベルでサービス管理を行うための
運 用 モ デ ル

121. VeriSMモデル
121
ガバナンス
サービス
マネージメント
原則
マネージメント
メッシュ
顧客
の要望
顧客
検証・評価・改善
定義
定義：SIAMの追加
制作：アジャイル
制作、提供、反応のサイクルを回す／DevOps
企業を統治・統制するための仕組みを確立する。
COBIT5がベース。加えて、情報開示のあり方
や、監査役や社外取締役を含む取締役会など会
社の機関のあり方等を定義。
企業全体として厳守しなければならない原則を
定義。すべてのサービスはこの原則に従って提
供される。例えば、セキュリティ方針、法的な
制限、財務的なルール、知的所有権、就業規則
などITだけでなく企業全体を範囲に検討する。
どうサービスを管理していくかを検討する領
域。企業の環境、リソース、利用するテクノ
ロジー、管理手法の最適な組合せを検討
企業環境
組織文化（保守的、リスク嗜好、サービスカルチャーなど）、
競合他社（サービス比較、自社の市場ポジションなど）、法
律の制約（内部統制や金融庁ガイドライン等）、サービス提
供のプロセス、KPI、ツール（既存のサービス管理の仕組み）
その他
リソース
人（配置、採用、人材育成、スキル等）
予算、資産、納期、ナレッジ、その他
革新的テクノロジー
コンテナ、IoT、ビッグデータ、クラウド、自動化、その他
管理手法
ITIL、COBIT5、CMMI-SVC、IT4IT、ISO/IEC20000,、
ISO/IEC27001、DevOps、 Agile、 Lean、Project &
Portfolio Management、SIAM、その他
制作
提供
反応

122. ガバナンスとサービスマネージメント原則の関係
122
ガバナンス
 基本は、透明性(Transparency)
 説明責任(Accountability)
 機敏に反応(Responsiveness)
 効果的、効率的(Effectiveness and Efficiency)
 公平、非排他的(Equitable and inclusive)
 誰でも参加(Participatory)
 持続可能(Sustainability)
ビジョン 戦略 コンプライアンス
方針展開
行動指針
企業文化
サービスマネジメント原則
 サービスとは『消費者（顧客）の明らかになった要望を満たす』こと
 ITSMが開発し成熟させてきたサービスマネジメントの概念や手法の活用
 BSM(Business Service Management)
 ESM(Enterprise Service Management)
 全ての製品（プロダクト）とサービスに適用される

123. マネージメント・メッシュとは
123
SIAM ISO/IEC20000COBIT,CMMI,IT4IT
コンテナー
IoT
AI
ブロックチェーン
企業文化
競合状況
法規制
プロセス
ビジネスモデル
人（人工） 予算 期間 知識・経験
管理手法
革
新
的
テ
ク
ノ
ロ
ジ
ー
リソース
企
業
環
境

124. VeriSMのサービス・サイクル
124
定義
Define
制作
Produce
提供
Provide
反応
Responce
プロセスでの活動やプロダクトやサービスの
設計関連する結果（成果物）を明確に定義
顧客の要望：ステアリングコミッティーによるビジネス
ケースの承認＆同意
要求される成果物：要求の収集整理と技術的検討
ソリューション：構成要素のパフォーマンス仕様、調達方
法、テスト仕様、計画立案
サービスブループリント：サービス・ソリューションの設
計、調達方針、制作条件、パフォーマンス
サービス・ブループリントからサー
ビスをコーディング、テスト、移行
準備までの作業の実施
ビルド：ブループリントから実装するサービスを作成
テスト：テスト仕様に基づくテストの実行
移行＆検証：リリース可能なモデルに整える、移行計画の確認
プロダクトやサービスはすで
にパフォーマンスを含めて使
用可能な状態になっている
保護＆保全：ポリシー、セキュ
リティー、リスク、継続性の確
保
測定と保守：日々の運用でサー
ビスパフォーマンスを継続的に
測定し、合意された品質に対す
る結果をステークホルダーに報
告
改良＆カイゼン：最新のテクノ
ロジー採用、調達方法の変更、
社会秩序＆世論
消費者との定常的な相互交流
記録：サービスデスク等が、
サービスに対する問い合わせ、
クレームや依頼事項（要望、課
題／問題、調達元からの変更）
等を受け付けて記録。これらは
サービス改善のインプットとし
て活用。
管理：問い合わせや依頼事項に
透明性をもって対応。顧客には
想定解決時間や現状のステータ
スなどを提示し、解決に向けて
コミュニケーション

125. アジャイル開発
変更に柔軟・ビジネス成果に直結
& バグフリー

126. ITの役割の歴史的変遷
ビジネス
バッチ処理システム
ビジネスの事後で事務処理
オンライン処理システム
ビジネスと同時並行で事務処理
モノとサービスの組合せ
モノが主役・サービスは脇役
インターネット／Webシステム
一方通行発信・受信・会話型EC
サービス中心
サービスが主役、モノが脇役
エンゲージメント型Web
モバイル、ソーシャル、UXなど
〜1970
〜1990
〜2000
2010〜
ハイパー・コンペティション
不確実性の増大・競争原理の変化
モノ中心
モノ、製品が主役
ウオーター
フォール
ウオーター
フォール
アジャイル
アジャイル
& DevOps
IT
モノ中心
モノ、製品が主役
開発手法

127. 生産物（完成品）とサービス（未完成品）
ワ
ー
ク
ロ
ー
ド
ライフ・タイム
ウォーターフォール開発
外注
リリース後の
手戻りが許されない
“完全”な成果物を提供
生産物としての
情報システム
アジャイル開発
内製
リリース後も
継続的に改善
常に最新を維持
サービスとしての
情報システム

128. ウォーターフォール開発とアジャイル開発
製造過程／乗れない 完成／乗れるが徐々に陳腐化
完成目標 保守で陳腐化を遅らせるウォーターフォール開発
最初から乗れる／現場のフィードバックをもらい機能や性能を改善し続ける
アップデートを継続アジャイル開発

129. アジャイル開発の基本構造
100%
0%
時間
仕様書に記載した
全ての機能
100%
0%
時間
予定していた
全体仕様
30%
60%
80%
現場からの
フィードバック
現場からの
フィードバック
現場からの
フィードバック
？
仕様書に対して100点満点狙い
ビジネスの成果に対して合格点狙い
途中の成果からフィードバックを得て、
仕様や優先順位の変更を許容する。
ウォーターフォール開発の考え方
アジャイル開発の考え方
現場からのフィードバック
最後になって訂正・追加などが集中
目標としていたビジネスの成果が
達成できていれば完了
仕様凍結（確定）させて仕様書通りに開発が100%完了したら、
現場からのフィードバックを求める。
仕事の仕組みは確定できるを前提にした開発
仕事の仕組みは変化するを前提にした開発

130. ウォーターフォールとアジャイルの違い
 用意されたプロセスやツール
 全てを網羅したドキュメント
 お互いの妥協点を探る契約交渉
 一度決めた仕様や計画に従うこと
 システムを納品すること
計画通りに完成させること
「計画通り」が正義という信念
 自律的な判断と行動
 実際に使う動くソフトウェア
 顧客との対話と協調
 変更や変化への柔軟な対応
 ITサービスを提供すること
ビジネスを成功させること
「計画通り」は無理という現実

131. ウォーターフォールとアジャイルの違い
 ユーザーと開発者はプロジェクトを通して、日々一緒
に働く
 ユーザの満足を優先し価値あるソフトウェアを早く継
続的に提供する
 要求の変更はたとえ開発の後期であっても歓迎する
 動くソフトウェアをできるだけ短い間隔（ 2〜3週間
あるいは2〜3ヶ月）でリリースする
 動くソフトウェアこそ進捗の最も重要な尺度
 技術的卓越性と優れた設計に対する普段の注意が機敏
さを高める
 シンプル（無駄なく作れる量）に作ることが基本
 最良のアーキテクチャ・要求・設計は自己組織的な
チームから生み出される
 チームが最も効率を高めることができるかを定期的に
振り返り、それに基づいて自分たちのやり方を最適に
調整する
アジャイルな思想
 ユーザと開発者はいつもは別の場所にいてプロジェク
トを通して定例ミーティングを行う
 ユーザーの満足や価値のあるなしではなく、とにかく
ソフトウェアを提供する
 要求の変更を開発の後期に出すの勘弁して欲しい
 パワポ、エクセル、ワードの仕様書を丁寧に清書して
（ 2〜3週間あるいは2〜3ヶ月）納品する
 動くソフトウェアこそ進捗の最も重要な尺度
 技術的卓越性と優れた設計に対する普段の注意が機敏
さを高める
 仕様書通り（間違っていようが）に作ることが基本
 最良のアーキテクチャ・要求・設計は自己組織的な
チームから生み出される
 チームがもっと稼働率を高めるように監視し、それに
基づいて自分たちへの批判や不満を回避するために、
念のため納期を厳しめに設定する
ウォーターフォールな思想
https://speakerdeck.com/kawaguti/flipped-agile-manifestYasunobu Kawaguchi氏 資料を参考に作成

132. DevOps
Development & Operation

133. ビジネス 開発 運用
アジャイル開発 DevOps
アプリケーション開発環境
マイクロ･サービス、ルールエンジン、AI、APIなど
ITインフラストラクチャー
IaaSなどのクラウド
アプリケーション実行環境
コンテナ・オーケストレーション・ツール
サーバーレス・FaaS
Infrastructure as Code
運用の自動化
SRE
Site Reliability Engineer
アイデアの創発
 デザイン思考
 リーンスタートアップ
トライ･アンド･エラー
のサイクルを高速で回す
ビジネス･スピードを加速する方法
 ビジネスの成果に貢献するコードのみ
 現場のニーズにジャストインタイム
 バグフリーと変更への迅速･柔軟な対応
 開発されたコードを直ちに本番移行
 安定稼働の維持
 変更やスケールへの迅速･柔軟な対応

134. サーバー仮想化とコンテナ
134
OS
ハードウェア
ハイパーバイザー
仮想サーバー
ミドルウェア
アプリ
OS
仮想サーバー
ミドルウェア
アプリ
OS
仮想サーバー
ミドルウェア
アプリ
サーバー仮想化
ハードウェア
コンテナ管理ソフトウエア
OS
ミドルウェア
アプリ
ミドルウェア
アプリ
ミドルウェア
アプリ
コンテナ コンテナ コンテナ
コンテナ
ライブラリ
環境変数
ライブラリ
環境変数
カーネル カーネル カーネル
カーネル
ライブラリ
環境変数
ライブラリ
環境変数
ライブラリ
環境変数
ライブラリ
環境変数
隔離されたアプリケーション実行環境を提供（クラッシュの分離、独自のシステム管理とユーザー・グループ）
実行イメージのスナップショットをパッケージとしてファイルにして保存できる
アプリケーションに加えて仮想マシン・OS
の実行イメージを持つ必要がある
アプリケーションとOSの一部
の実行イメージを持つ必要がある
デプロイするサイズ
大きい
起動・停止時間
遅い
デプロイするサイズ
小さい
起動・停止時間
早い
異なるOS
可
異なるOS
不可
メモリーやディスクの消費量が大きい = リソース効率が悪い メモリーやディスクの消費量が大きい = リソース効率が良い
構成の自由度が高い
異なるOS・マシン構成を必要とする場合など
軽量で可搬性が高い
実行環境への依存が少なく異なる実行環境で稼働させる場合など
サンド・ボックス化
Sand Box

135. 仮想マシンとコンテナの稼働効率
135
ハードウェア
仮想マシン
ミドルウェア
アプリケーション
OS
仮想マシン
OS
仮想マシン
OS
ミドルウェア
アプリケーション
ミドルウェア
アプリケーション
ハードウェア
OS
コンテナ管理機能
カーネル
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
ミドルウェア
アプリ
ライブラリ
環境変数
コンテナ
カーネル カーネル カーネル
ライブラリ
環境変数
ライブラリ
環境変数
ライブラリ
環境変数
コンテナ仮想マシン

136. DevOpsとコンテナ管理ソフトウエア
アプリケーション
開発・実行環境
ミドルウェア
オペレーティング
システム
サーバー
（ハードウェア）
ハイパーバイザー
アプリケーション
開発・実行環境
ミドルウェア
オペレーティング
システム
サーバー
（ハードウェア）
コンテナ管理
そのまま本番で動かしたい（動作保証）
開発から本番以降への時間を短くしたい
実行に必要な最小のサイズで移行したい
仮想マシン
コンテナ仮想化環境
動
作
保
証
動
作
保
証 インフラやOSの違いを吸収
オーバーヘッド

137. DevOpsとコンテナ管理ソフトウエア
オペレーティング
システム
サーバー
（ハードウェア）
コンテナ管理
動
作
保
証
オペレーティング
システム
サーバー
（ハードウェア）
コンテナ管理
動
作
保
証
オペレーティング
システム
サーバー
（ハードウェア）
コンテナ管理
アプリケーション
開発・実行環境
ミドルウェア
コンテナ
動
作
保
証
Build,Ship and Run
Any App,Anywhere
アプリケーション開発者は、OSやインフラを意識することなくアプリ
ケーションを開発し、どこでも実行できるようになる
開発しテストが完了したアプリは、すぐに本番環境で実行させることができる
本番環境テスト環境開発環境

138. コンテナ連係
その運用管理
コンテナとハイブリッド・クラウド／マルチ・クラウド
コンテナ管理コンテナ管理コンテナ管理
Microsoft Azure自社所有システムAWS
コンテナ連係
その運用管理
コンテナ連係
その運用管理
アプリケーション
開発・実行環境
ミドルウェア
コンテナ
アプリケーション
開発・実行環境
ミドルウェア
コンテナ
アプリケーション
開発・実行環境
ミドルウェア
コンテナ

139. モビリティの高いコンテナ
139
デバイス
エッジ
サーバー
オンプレミス
サーバー
クラウド
ハードウェアやOSに依存することなくソフトウェア機能を配置・移動できる

140. DockerとKubernetes の関係
140
 コンテナの作成
 コンテナの実行
 コンテナ内でファイルシステ
ムとして使われるイメージの
作成および管理 など
 関連するコンテナのグルーピング
 コンテナに割り振られるIPアドレスの管理
 コンテナ間ネットワークルーティング管理
 複数のコンテナを利用した負荷分散
 コンテナに割り当てるストレージの管理
 コンテナの監視 など
ネットワークのルーティングや複数コンテナの
連携、複数台のサーバーを対象にコンテナを横
断的に管理する機能などは提供されていない。
クラスタ環境でDockerを利用する場合は別途何らかの管理手法を用意する必要がある。
Dockerと連携して利用できるデプロイ/オーケストレーションツールのひとつ
By Google
Manage a cluster of Linux containers as a single
system to accelerate Dev and simplify Ops.
Linuxコンテナのクラスタを単一のシステムとして管理して
開発を加速し、運用を簡素化します。
意味：ギリシャ語で「人生の道標」
読み方：クーベルネイテス（koo-ber-nay'-tace）

141. モノリシックとマイクロサービス
サーバー コンテナ
コンテナ
コンテナ
常時稼働が求められるサーバーで動く 必要な時だけ稼働すればよいコンテナで動く
マイクロサービス
マイクロサービス
モノリス型アーキテクチャ マイクロサービス型アーキテクチャ
巨大な１枚岩のような

142. マイクロサービス・アーキテクチャ（Micro Service）
ユーザー・インターフェイス
顧客管理
注文管理
在庫管理
出荷管理
Webブラウザ WebブラウザWebブラウザ
共有データ
顧客管理
注文管理 在庫管理
出荷管理
Webブラウザ WebブラウザWebブラウザ
個別データ
ユーザー・インターフェイス
個別データ
個別データ個別データ
モノリス型アーキテクチャ マイクロサービス型アーキテクチャ
マイクロ
サービス
巨大な１枚岩のような
複数の独立した機能（マイクロサービス）を
組み合わせることでひとつの処理を実現する
大きな単一の機能によって
ひとつの処理を実現する
単一の機能
独立した機能
内
部
は
複
数
の
機
能
で
構
成

143. マイクロサービス・アーキテクチャの6つのメリット
修正
修正
リリースの同期は必須 個別にリリース可能
Java Java Java
Java Java Java
Java Ruby php
C++
Java
Script
C#
言語は統一 機能にふさわしい言語を選択
影響？ 影響？ 影響？
影響？ 変更 影響？
一部機能変更・全体テスト 一部機能変更・対象機能のみテスト
変更
全体で拡張 個別に拡張
正常 正常 正常
正常 障害 正常
正常 正常 正常
正常 障害 正常
一部障害で全体停止 一部障害でも正常箇所は稼働
流用 流用
特定の機能流用は困難 特定機能の流用は容易
１．機能の独立性
２．言語の独立性
３．保守の容易性
４．拡張の柔軟性
５．障害時の可用性
６．再利用の容易性
「これなら分かる！ マイクロサービス（入門編）〜モノリスと比較した特徴、利点と課題（CodeZin）」を参考に作成

144. マイクロサービス・アーキテクチャの3つの課題
機能間で通信は発生しない 機能間で通信が行われる
全体をひとつのチームで行うので
人の入替えやノウハウ共有が容易
各機能個別に組織が分かれるの
人の入替えやノウハウ共有が困難
過剰分割の影響は内部に留まる
一貫したユーザー体験を提供
過剰分割はパフォーマンスを劣化
機能別に異なるユーザー体験のリスク
１．機能間の通信によりパフォーマンスが出にくい
２．人の入れ替えやノウハウの共有が難しく”人”や”知見” の活用効率が低くなる
３．プログラム構造次第でパフォーマンスやユーサー体験に悪影響
 通信により組み合わせるという仕組みから、パフォーマンス
を出しにくい。
 性能向上のため各機能間は非同期通信とし、機能をまたがっ
たトランザクション保証はしないため、正常終了した後に後
続処理がエラーとなることも想定した設計が必要。
 個人ユーザー向けの決済処理のような再試行が難しい業務の
場合は、実装が難しい。
 マイクロサービスを適用したアプリケーションを作るには、
個々の機能と同じように独立し完結した組織でなければなら
ないが、それができる保証はない。
 チームごとに独自文化が形成されチーム間でスキルの共用が
難しい。
 文化の違いから人的ローテーションも難しくなる。
 マイクロサービスの利点を生かすには、機能の境界を適切に
設定することが必須となるが、分ける範囲を誤れば機能間の
通信が大量に発生する。
 分けるべきであった機能を一つにしてしまえば保守性や再利
用性などのメリットが満たせない。
 独自性がすぎるとユーザー体験がちぐはぐになってしまう。
「これなら分かる！ マイクロサービス（入門編）〜モノリスと比較した特徴、利点と課題（CodeZin）」を参考に作成

145. サーバーレスとFaaS
Serverless & Function as a Service

146. サーバーレスの仕組み
146
ブラウザからのアクセス
センサーからの発信
異常データの送信
タイマーによる起動
プログラムの実行
データベース・アクセス
機器の制御
レポートの作成
メールによる通知
イベント
処理 リソース
サービス
イベント
サービス
イベント